用于早期 drowsiness 检测的真实数据集与基线时序模型
计算机视觉与模式识别
2019-04-17 v1
摘要
drowsiness 会使许多驾驶员和工人的生命面临危险。设计实用且易于部署的真实世界系统来检测 drowsiness 的发生十分重要。本文研究早期 drowsiness 检测,其可提供早期警报并为受试者留出充足的反应时间。我们提出了一个包含60名受试者的公开大型真实数据集,其视频片段被标注为警觉、低警觉或困倦。该数据集由约30小时视频组成,内容涵盖从细微的 drowsiness 迹象到较为明显的迹象。我们还针对该数据集基准测试了一个计算与存储需求较低的时序模型。我们所提方法的核心是一个分层多尺度长短期记忆(Hierarchical Multiscale Long Short-Term Memory, HM-LSTM)网络,以顺序检测到的眨眼特征作为输入。我们的实验揭示了序列眨眼特征与 drowsiness 之间的关系。实验结果表明,我们的基线方法取得了高于人类判断的准确率。
引用
@article{arxiv.1904.07312,
title = {A Realistic Dataset and Baseline Temporal Model for Early Drowsiness Detection},
author = {Reza Ghoddoosian and Marnim Galib and Vassilis Athitsos},
journal= {arXiv preprint arXiv:1904.07312},
year = {2019}
}
备注
Computer Vision and Pattern Recognition Workshops (CVPRW 2019)